海洋岩土前沿 | 人工智能在岩土工程中的转型：进展、挑战与展望|人工智能|力学|岩土前沿|岩土工程|神经网络|算法|贝叶斯

https://doi.org/10.1016/j.compgeo.2025.107604

摘要

我们对地下空间提供关键土木工程基础设施的依赖日益增长：用于容纳城市环境中的公用事业和交通基础设施，提供创新的住房和商业解决方案，以及支持不断增长的可再生能源基础设施，特别是海上设施。人工智能可以说是通过从数据中提取知识，实现效率、可持续性、可靠性和安全性跨越式增长，从而变革岩土工程的最有前景的推动因素。本文旨在就人工智能在岩土工程中的最新技术水平形成共识，并探索未来发展。本文举出了岩土工程中具体流行的应用案例，以突显人工智能应用的当前进展，包括智能场地勘察、土体行为的预测建模以及设计和施工过程的优化。然后，本文讨论了关键的研究挑战，例如数据稀缺和可解释性，并探讨了人工智能与岩土工程融合的未来机遇。最后，确定了未来转型的优先技术推动因素。

引言

岩土工程中人工智能应用的一个关键动机是迫切需要应对地下基础设施开发和海上能源基础设施开发中日益复杂的挑战。地下土层条件可能既高度复杂又充满不确定性。准确预测土体行为也极具挑战性。传统的分析方法往往难以应对岩土数据的复杂性和矛盾性，导致设计和施工过程中潜在的误差和低效。利用先进的机器学习算法和数据驱动技术从不断增长的数据集中获得更深入的见解，从而实现更全面、更准确的预测模型和高效流程，具有巨大潜力。重要的是，许多机器学习方法还可以扩展到捕捉模型的不确定性，从而在数据复杂或不完整的情况下增强可靠性。

本文综述了人工智能在岩土工程中应用的关键机遇、挑战和研究需求。没有对历史文献进行详尽的回顾，而是强调了一些说明性的应用实例，即智能场地调查、土壤行为的预测建模以及设计和施工过程的优化，以支持论点。

人工智能的兴起

人工智能领域旨在创造能够模仿人类智能的智能机器。其根本目标是使机器能够感知环境、推理、从经验中学习，并根据数据和模式做出明智决策。人工智能是一个广泛的统称，涵盖机器学习、计算机视觉和机器人技术。机器学习内的子领域包括深度学习（DL）、强化学习（RL）、贝叶斯变体和自然语言处理（NLP），每个子领域都针对智能模拟的特定方面（如图1）。

图1 人工智能子领域图谱

机器学习是智能系统开发的基本要素，涉及开发算法和/或统计模型，使机器能够在给定训练数据的情况下，在特定任务上逐步提高性能。深度学习是机器学习的另一个子领域，专注于人工神经网络的设计和训练，其灵感来源于人脑的结构和功能。深度学习利用多个相互连接的节点或神经元层来处理更复杂的任务，通过其层次结构自动学习数据的层次表示，在不同复杂性级别上抽象和提取特征。强化学习探索"智能体"如何通过与给定环境的反复交互来学习执行任务。智能体通过接收对其所做决策的惩罚或奖励形式的反馈，随时间优化其行为。相比之下，自然语言处理旨在使机器能够理解、分析和生成人类语言。这可以超越简单的语言识别，包括情感分析、语言翻译和问答等任务。机器学习的贝叶斯变体在分析感兴趣系统时考虑随机和认知不确定性方面也很流行。在岩土应用中，这些可能包括模型不确定性，例如与材料（包括空间变异性和材料属性的不确定性）和/或数值模型相关的不确定性，以及数据质量和测量系统固有的不确定性。

岩土工程中人工智能应用的最新进展

重点讨论了( i )反演(例如,将现场数据与岩土参数联系起来)，( ii )预测材料响应(例如,桩的安装,基础的移动,滑坡等)，( iii )预测结构响应的回归模型和分类器的最新进展，以及( iv )提高确定性方法(例如,本构模型)的效率。

智能场地勘察与地质建模

机器学习已广泛应用于岩土工程中的数据驱动地质建模，有助于为基础设计提供信息并确定场地勘察活动的最佳采样位置。数据驱动地质模型通常基于岩土数据（如锥入度试验数据或动力触探试验数据）构建。这些模型涉及两个主要的预测任务：土体地层/分层识别和岩土特性的空间插值/预测。

多种机器学习技术已被用于土体地层识别，例如高斯过程回归、贝叶斯模型类选择、变点检测、贝叶斯压缩采样、随机场方法、基于套索的回归、聚类以及最近的深度学习，图2分别给出了利用DPT和CPT数据识别土层边界的实例。Suryasentana等人的研究表明，单变量贝叶斯变点检测方法在根据CPT数据划分土体地层方面优于多变量方法。特别是，复合土体行为指数比联合分析锥尖阻力和摩擦比能产生更可靠的边界预测，这可能是因为复合土体行为指数根据已建立的土体分类数据库进行了经验校准，这些数据库隐含地嵌入了与地层解释相关的先验知识。

图2 预测土层边界( a ) DPT数据，( b ) CPT数据

对于岩土特性的空间预测，先前的研究人员使用了克里金法、随机场方法、贝叶斯压缩采样、多点统计学、XGBoost和神经网络。此外，最近人们对结合多种数据源（如地球物理和岩土数据）的综合地质建模越来越感兴趣。融合多种类型的数据旨在利用每个数据源的优势，产生更准确和一致的地质模型。数据融合技术已被用于学习不同数据源之间的关系，并利用它们进行地下预测。这些技术包括协同克里金法、随机场方法、多尺度方法、贝叶斯推断、多源贝叶斯压缩采样、随机森林和神经网络。

土体行为的预测建模

土体是复杂的颗粒材料，表现出复杂的力学行为。这些行为促使了各种本构模型的发展，以捕捉这些复杂性。

在传统的本构建模中，假设一个包含一组参数或变量的数学方程来捕捉土体的行为。然而，为了更准确的捕捉土体行为导致了具有更多材料参数的日益复杂的本构模型。

随着90年代初人工智能资源的日益普及，一些研究人员开始探索应用人工智能方法，特别是神经网络，作为材料行为建模的替代方案。Ellis等人和Ghaboussi等人开创了土体的神经网络本构模型（NNCMs）；随后出现了大量基于人工智能的本构模型。这种本构建模的演变超越了神经网络，包括了其他基于人工智能的技术。最近，该领域的研究已转向这些"智能"材料模型的数值实现。然而，这些早期纯数据驱动的基于人工智能的本构模型的性能参差不齐，归因于其缺乏可解释性以及需要大数据进行有效训练。重要的是，这些模型表现出较差的泛化能力。

最近人工智能在岩土工程中的兴起为开发基于人工智能的本构模型重新注入了动力，物理信息机器学习方法（PIML）成为材料建模的一个关键趋势。最近的研究探索了将先验知识（如经验表达式或物理定律）与机器学习相结合，以将预测限制在合理范围内。虽然这些进展显著提高了泛化能力，但这种混合模型仍然需要大量高质量数据集才能达到与传统本构模型相竞争的预测性能。

这些挑战启发了适用于稀疏岩土数据集训练的可解释机器学习方法。例如，Zhang等将三种不同的理论框架整合到一个基于先验信息的神经网络中，包括增量非线性、超弹性和弹塑性（如图3）。随后，将这三个PiNet模型应用于模拟真实土体的行为，并结合多保真度框架，以最大限度地发挥稀疏高保真数据的影响。所采用的策略提供了一种高效、准确和通用的土体行为建模方法，从而证明了物理信息人工智能方法在土体本构建模方面的潜力。

图3 张等（2023a）提出的多保真度建模工作流程，该流程结合了数据驱动的神经网络与传统现象学模型。

岩土工程设计、施工过程和风险评估的优化

岩土工程设计和施工过程的优化已成为当代岩土工程的一个焦点，越来越强调利用人工智能技术。历史上，岩土工程设计严重依赖人工分析、经验方法和简化模型。虽然这些方法在许多情况下显示出有效性，但它们在应对复杂的现代挑战时的局限性日益明显。

在基础工程中，一系列机器学习算法已应用于预测浅基础的承载力和沉降。同样，研究人员利用人工智能技术改进了桩基设计的各个方面。在图4中，以桩的可打入性问题为例，给出了AI可以促进的设计方法改进的例子。图中给出了采用行业标准模型和ML更新的概化模型对过渡土中海上生产桩沉桩过程中沉桩性能预测的误差。值得注意的是，IMPACT波动方程模型作为ML框架的关键组成部分，其内部参数在学习过程中没有更新。结果表明，与行业标准模型相比，ML更新的概化模型取得了显著的性能提升。这种方法不仅限于这个问题，而且已经成功地用于顶管预测。

图4 (a) ML更新的通用预测模型的工作流程；(b)与行业标准模型相比，在未知的海上桩的打桩过程中绘制的相应的桩可打性预测误差。

边坡稳定性设计是另一个流行的人工智能应用案例。文献主要集中在边坡破坏机制和安全系数估计的优化、破坏时间的预测、时空滑坡灾害制图以及数据驱动替代模型的开发上。该领域一个新兴的研究领域涉及将机器学习与遥感技术相结合，以预测指示初始坍塌的异常行为。

岩土工程施工过程的流行应用主要与隧道活动有关，其中最普遍的是隧道掘进机（TBM）性能预测、隧道诱发沉降预测、地质预测和刀盘设计优化。其他研究领域还包括隧道诱发建筑物损坏预测、TBM自动化、隧道状况评估、异常检测、隧道轮廓测量、韧性评估、结构缺陷识别、隧道掌子面稳定性、岩爆预测和智能建筑信息建模。

最后，人工智能可用于连接不同学科，并将先进的数值模型应用于区域尺度规划程序。这可以通过替代模型来实现，这些模型能以一小部分的成本复制更复杂、计算强度更大的模型的输出。一个示例用例是落石风险缓解（图5），其中区域尺度的危险评估由地质学家使用地理信息系统( GIS )、野外调查和遥感等工具进行，以告知落石传播代码。在这个阶段，测量的不确定性和自然变化性是通过随机分析来解决的，这导致了数十万次的模拟，因此应用标准的数值程序是不可行的。

图5 (a)使用基于AI的代理模型的流程图，以使高级数值模型的精度达到大规模规划所需的效率标准，(b)针对标准500 kJ能量阈值的代理模型的实例结果。

岩土工程中人工智能的关键挑战

图6确定了人工智能在岩土工程中普及的关键挑战。一个跨领域的挑战涉及岩土工程人工智能应用如何融入更广泛的地质工程背景。虽然有机会共享数据和模型以形成对地下空间更全面的视角，但需要共同的本体论和数据互操作性来构建标准化的数据和模型交换框架。我们在下面对这些挑战进行详细阐述并提供可行的解决方案。

图6 未来在岩土工程中应用人工智能面临的挑战及潜在解决方案。

数据稀缺与质量

所有数据驱动过程都取决于训练数据的数量和质量。因此，人工智能在岩土工程中繁荣发展的一个重大障碍是缺乏高质量、经过标注且多样化的数据。岩土数据集需要细致的标注，领域专家需用关于土体特性、地质特征和工程参数的准确详细信息标注数据点，并对测试程序进行注释。有限的数据可用性已被充分证明对机器学习算法的训练有重大影响，增加了不准确、泛化能力差的风险，在极端情况下还会因过拟合而产生虚假预测。迫切需要建立统一的标准来评估岩土数据质量，区分由于操作员依赖性、测试程序或仪器仪表而导致可靠性不同的测试。最近已经提出了用于评估岩土监测数据质量的结构化框架，数据交换标准正在重新获得关注。在数据稀缺的情况下，模型开发者通常依赖概率替代模型、领域知识增强或迁移学习。

为应对这一挑战，机遇在于联合不同利益相关者拥有的训练模型，以克服岩土工程界内的数据共享问题。这通常涉及在不同利益相关者持有的多个分散的数据集中训练一个共享模型，其中每个数据所有者在本地训练模型，并且只共享模型更新。采用一组共同的参数和超参数来协调不同站点的训练。这种策略也符合MLOps原则，便于可追溯、可复制和可扩展的模型管理。最先进的数据收集方法也将有助于缓解数据稀缺问题，例如先进的传感技术、无线Mesh网络、遥感。协作努力共享匿名化数据集并建立标准化数据格式也可以增强多样化数据的可用性。此外，可以采用数据增强、迁移学习和合成数据生成等数据科学技术来扩展现有数据集，使人工智能模型能够在不同的岩土场景中更好地泛化。

黑箱模型的可解释性

人工智能算法（特别是DL）通常被视为"黑箱"，对底层决策过程缺乏洞察力。在岩土工程中，模型预测的透明度和理解对于明智决策至关重要，缺乏可解释性是一个重大障碍；需要新技术从复杂的人工智能模型中提取有意义的见解。例如，NLP可用于学习岩土设计规范以进行规范合规性检查。其他技术可能包括模型无关的可解释性工具、敏感性分析和注意力机制，以分析模型输出，进而识别岩土预测中的影响因素。物理信息机器学习也有潜力将领域知识整合到人工智能模型中，以利用基于物理模型和数据驱动技术的相对优势，提高预测的可解释性和可靠性。最近在物理信息本构模型（如图7）方面的成功也表明，带有物理约束的数据驱动建模可以带来更稳健的预测（如图8）。

图7 (a)显示模型输入和神经网络输出与物理约束之间的相互作用的体系结构，(b)在神经网络的蒙特卡洛模拟实现过程中切断神经连接的一个实例。

图8 使用(a)ANN和(b)基于先验信息的神经网络(PiNet)对Toyora砂的三轴应力-应变响应进行模型预测和实验室测量之间的比较。

为了提高模型的可解释性，提出的一些方法包括：(a)模型分解：将复杂的模型分解成更小、更容易理解的组件；(b)规则提取：将复杂模型用包含if-then规则的基于规则的模型进行近似；(c)特征重要性：突出哪些特征对模型输出的影响最为显著；(d)模型卡片报告即创建详细记录模型开发过程、性能表现及预期应用场景的文档，包含完整的模型版本控制与开发历史追踪，该功能通过MLOps实现。

不同岩土条件下的泛化能力

在广泛的土体类型、地质构造和环境因素之间进行泛化是一项复杂的任务。挑战在于创建不仅能在训练数据上表现良好，而且在新条件下应用时也能表现出鲁棒性的模型。迁移学习技术是应对这一挑战的一个有前景的解决方案，即在一种岩土条件下训练模型，随后在第二阶段进行微调以适应不同的场景。Zhou等已经证明了这些方法在土体边界检测中的有效性：一个通用的开放访问源数据库被用于模型训练的第一阶段，然后对特定场地的"目标数据库" (见图9框架)进行微调。物理信息机器学习还可以使模型编码基本的岩土力学机制，以可靠地外推到不同的条件。确保训练数据集具有代表性和足够的多样性对于提高泛化能力也至关重要。克服这一挑战将为实际岩土工程带来更通用、更可靠、更广泛适用的人工智能模型。

图9 采用迁移学习框架进行土体边界检测。

人工智能预测的不确定性

鉴于产生错误的代价，岩土工程中非常需要不确定性估计。然而，从人工智能模型中获得此类估计仍然困难。使用贝叶斯机器学习技术的概率建模提供了一种稳健且有原则的方法来捕捉不确定性。特别是GPR已被证明非常擅长建模岩土不确定性（如图10）。即使是确定性的人工智能模型，也存在获取认知不确定性估计的技术。例如，在神经网络中，蒙特卡洛模拟是测试模型输出对精确模型架构敏感性的最常用方法之一。其他流行的选项包括集成方法（如自助采样法）。

图10 基于协方差函数的GP回归模型预测，比较黏土不排水循环三轴试验的实测轴向应变和预测的轴向应变

发展将地质统计学方法与人工智能模型相结合的框架也将允许更全面地理解空间不确定性。认识并考虑人工智能预测中的不确定性，不仅将建立对这些岩土模型的信心，还将为工程师和决策者提供有价值的信息，以便在高度不确定的地下条件下做出明智的选择。

人工智能与传统方法结合

虽然人工智能可以分析大型高维岩土数据集，但结合领域专业知识和情境理解对于实现准确且有意义的解释至关重要。确保人工智能模型符合该领域已建立的工程原理、设计规范和岩土理论是另一个重要挑战。解决这个问题的一个有前景的未来技术是对任何数据驱动的岩土设计进行自动合规性检查。多学科方法也是必要的，涉及人工智能研究人员和岩土专家之间的合作。将数据驱动技术和物理原理结合的混合模型可以利用两种方法的优势，提供更具可解释性和更可信的结果。此外，可以运用基于知识图谱的表示和本体来明确编码领域特定知识并将其整合到人工智能模型中。从长远来看，有效克服这一挑战可能需要现代岩土工程师进行一定程度的技能提升，使其不仅能分析数据，还能分析拟合数据的数据驱动模型。至关重要的是，人工智能解决方案的开发要与岩土工程师的细致理解和宝贵专业知识保持一致。

基准测试、标准化与验证

由于人工智能算法的组成表达式具有高度非线性，与传统的设计模型相比，它们遇到"过拟合"并因此产生虚假预测的可能性要大得多。与传统的数值模型不同，工程师可以通过简化的分析模型交叉验证结果以确保合理性，而人工智能模型可能缺乏类似的验证机制。岩土工程中人工智能模型的验证通常涉及k折交叉验证或保留测试，使用诸如均方根误差、R²、平均绝对误差以及越来越多的不确定性界限等性能指标来评估泛化能力。然而，特定领域的挑战需要仔细的方案设计。在岩土工程中应用人工智能需要在准确性、训练时间和计算资源之间取得平衡。简单的模型在标准笔记本电脑上训练很快，而深度学习模型可能需要高性能GPU上数小时或数天。推理通常很快，但对于没有预训练模型或云服务的小型组织来说，训练成本可能很高。

现有的岩土模型本质上是确定性的，无论使用的具体训练数据如何，都能产生一致的结果。工程师可以依靠这些模型中完善的原则和数学公式，以高度的信心预测岩土材料的行为。这种可预测性使从业者能够理解给定本构模型的优缺点和适用范围，从而通过与实验或现场数据的比较进行有效验证。相比之下，人工智能模型是数据驱动的，并受到训练期间使用的多样化数据集的影响，其输出可能表现出差异，这使得建立一个普遍可靠的框架具有挑战性。本构模型固有的稳定性和一致性是其在岩土工程学中具有持久价值的关键因素。

为了解决这个问题，建立一个人工智能输出与传统岩土工程方法之间的交叉验证框架是必不可少的。这种方法可能涉及将人工智能作为一个辅助工具而不是一个独立的解决方案进行集成，从而允许与既定的工程知识进行不断的比较。将可解释性特征融入到人工智能模型中，例如可解释性算法，可以进一步促进潜在差异的识别，并增强在岩土工程实践背景下对人工智能生成见解的信任。另一种有效的解决方案是用已知的和公认的理论/经验概念来约束人工智能模型。

实践局限性与负面结果的经验教训

已发表的岩土工程人工智能研究很少将结果标记为"失败"，但更广泛的文献记录了值得明确认识的反复出现的失败模式：对小型或同质数据集过拟合；在领域转移（新土体类型、应力路径或仪器）下性能崩溃；交叉验证期间的数据泄露；训练目标标签错误或约束不足；大型语言模型助手中的幻觉或虚假推理；以及因遗漏支配性物理规律而导致非物理外推。仅发表积极结果的趋势使得难以形成关于模型性能的完整和准确图景，并突出了公开透明报告负面结果的重要性。

因此，审慎的做法是强调当前仍宜采用传统方法的领域：(i) 受具有已验证安全裕度的规范/闭式设计方法支配的决策情境；(ii) 数据极其稀疏或异质，无法进行严格模型验证的项目；(iii) 要求完整参数可追溯性的材料提交；(iv) 在没有嵌入物理约束的情况下，远超出训练范围（新地质、荷载）的外推；(v) 涉及安全关键的实时控制决策，除非可获得并监测不确定性界限。

伦理与法律考量

纯数据驱动的人工智能模型特别容易无意中受到训练数据中永久性偏差的影响。"问责"这一议题也很可能成为未来诉讼的焦点，并在塑造围绕岩土工程中人工智能的法律格局中发挥关键作用。岩土工程界似乎有必要迅速并积极主动地参与关于在我们教学、研究和工业实践中使用人工智能的伦理讨论。首先，值得注意的是，在可预见的未来，岩土工程中人工智能的使用将涉及"人在回路"，即人工智能被用作工具而非完全自主的智能体。尽管如此，仍将需要指导方针来概述负责任地人工智能使用方法。人工智能的使用也很可能需要更高水平的透明度，以确保预测是可解释的，并且有令人满意的问责制。这种不断演变的法律格局可能会推动法规和指南的制定，以平衡技术进步与伦理考量.

当前技术推动因素

物理约束的人工智能建模

物理约束的人工智能建模被确定为应对上述许多挑战的有前景的解决方案，因此被视为优先推动因素。图11总结了机器学习模型可被物理概念约束的不同程度，范围从纯数据驱动（无约束）到纯模型驱动（但包含机器学习更新）。例如，在第三和第四级别，物理约束可以分别被弱强制执行或强强制执行，如图12所示的一个神经网络实现示例。值得注意的是，最近的数据驱动动力学进展已被证明能够用有限的测量数据解决复杂物理问题。因此，模型应受约束的程度将取决于几个因素，包括训练数据的大小和质量、待建模问题的复杂性、产生虚假预测的风险，以及物理定律在岩土工程界被接受的程度。最近的研究证明了物理信息神经网络在核心岩土工程任务中的可行性。这些研究报告的准确度在数值基准的±5%以内，同时提供了数量级的加速。

图11 受不同程度物理原理约束的ML模型。

图12 (a)物理信息(弱约束) ML模型和(b)物理约束(强约束) ML模型的示意图。

多保真度建模

多保真度建模的前提是利用(i)低保真度数据集如简化表达式或数值分析，这些数据集可能缺乏一定的精度，但可以快速地生成大型训练数据集；以及(ii)高保真度数据集，如现场/实验室测量，这些数据集具有最高的精度，但由于典型的小型和昂贵的数据集(见表1)，它们本身不足以用于AI训练。值得注意的是，在这些广泛的分类中还存在进一步的保真度子分类。多保真度模型可以采取多种形式，但通常涉及直接在低保真度数据上训练一个模型，并让第二个模型学习低保真度和高保真度数据集之间的关系。如图13所示，虽然图13为了清晰起见展示了一个顺序的两阶段过程，但当代的多保真度方法通常采用更丰富的交互。这些先进的模式能够在复杂的岩土环境中更稳健地概括和量化预测置信度。该领域未来的发展可能涉及到精炼技术。不同程度的ML模型可以通过物理原理进行约束。无缝耦合不同的保真度模型，通过ML算法优化它们的集成，并根据给定问题的特定需求制定动态分配计算资源的自适应策略。

表1 岩土工程实例的保真度水平

图13 一个顺序多保真建模工作流的简化实例示意图

近期的岩土工程应用实例包括：一种多保真度DeepONet网络，通过融合面向过程的有限元模拟（低保真度）与稀疏现场监测（高保真度），实现机械掘进中的实时沉降预测；一种多尺度生成对抗网络，通过融合低保真与高保真勘探数据集重建地下剖面；以及基于物理知识的多保真残差网络，该网络结合机理模拟与有限实验室数据，用于建模水力机械响应及土体本构行为。

知识挖掘

数据驱动的知识挖掘对岩土工程的变革性进步有重大意义。该领域的两种流行技术包括数据驱动动力学和物理信息机器学习。例如，Zhang等最近证明了物理信息机器学习能够直接从固结测量中发现太沙基固结理论。图14展示了一个基于PINet的反向建模工作流程，其中首先从数据中恢复控制偏微分方程，然后求解该方程以推断未知参数（该图中为固结参数）。这个过程是迭代的，并利用物理信息损失函数来最小化整个时空域的预测误差。随着获取岩土数据的机会不断增加，将有越来越多的机会从复杂的岩土过程中提取新的见解、模式和力学规律，而这些目前只在经验方法中被捕捉。

图14 基于物理信息神经网络的太沙基固结理论的数据驱动发现实例。

数字孪生

数字孪生无缝集成了数字和物理系统，创建物理资产的实时数字副本，用于仿真和情景预测。物理传感使数字孪生保持更新，从而实现健康诊断和虚拟控制。机器学习支持自主更新和预测，使得孪生系统成为未来现场机器人和自动化的核心。在岩土工程中，这将演变为联合数字孪生，整合土体、地基、公用设施和结构的模型，以实现对系统相互作用和依赖关系（如图15）的整体理解。

图15 联合地下双系统示意图。

最近的研究工作正开始将数字孪生应用于地下和岩土系统。相关土木基础设施研究（自感知铁路桥statFEM孪生模型）展示了适用于岩土工程资产的可迁移性、不确定性感知型数据-物理融合方案。Latif等将隧道掘进机运行数据实时流式传输至机器学习驱动的数字孪生体，实现性能预测与可视化。Apoji等基于大数据构建了未来机械化隧道掘进的人工智能辅助决策层。Zhao等则深入探讨了数字孪生功能如何支持隧道施工、安全管理及全生命周期管理。

通过大型语言模型实现人机交互

大型语言模型在推进岩土工程中人机交互方面具有巨大潜力。基于早期的NLP模型，它们能够从文本中获得更深入的见解，并为专家与人工智能协作开辟新的可能性。由大型语言模型驱动的界面有望实现更直观和动态的部署（如图16）。通用的大语言模型（LLM）通常在超出其预训练数据的特定岩土工程查询上表现不佳。这个限制可以通过在由专家小组策划并定期审查的专业语料库上进行轻量级微调或检索增强生成来缓解。早期的可行性研究表明，GPT-4能够以约70%的准确率回答教科书级别的岩土工程问题，并起草场地勘察规范。Kumar通过精心设计的提示展示了可靠的岩土工程解释能力，而Xu等人提出了一种专门用于智能岩土设计自动化的LLM ——GeoLLM。最近的研究探索了在各项岩土工程任务中应用RAG和少样本学习等LLM技术，这些研究证实了大语言模型的实用潜力，同时也强调了需要加以管理的提示词工程和幻觉问题等挑战。

图16 基于大语言模型（LLM）的人机交互界面概念设计。

生成式建模

以生成对抗网络为基础、并由扩散模型推动的生成式人工智能为岩土工程提供了三个主要机会。首先，它可以生成逼真的合成数据集，以增强多保真度建模和仿真。其次，它支持自动化的、约束驱动的设计工作流，快速探索和评估岩土工程布局，缩短迭代周期并揭示新颖的解决方案。第三，通过学习历史和特定场地数据，生成式模型可以预测破坏模式并为主动的风险缓解策略提供信息。这些能力共同保证实现更快、更具创新性和更安全的岩土工程实践。

最近的领域特定适配包括SchemaGAN，它直接从稀疏的CPT数据生成逼真的岩土地下概化模型，并且性能优于基于克里金的插值方法。Zhou和Shi采用多尺度GAN融合多保真度勘探数据进行二维剖面重建，相较于经典反演基准，其均方误差显著降低。对于时间序列问题，Ge等引入了RGAN-LS，这是一种循环GAN，能够扩增稀缺的位移记录，并在盲测中将滑坡位移预测精度提高高达18%。

算子学习与基于图的模拟器

神经算子框架，如小波神经算子和物理信息几何感知神经算子，近期已成功应用于计算力学领域，在保持物理一致性的同时，相比有限元法实现了50–100倍的网格独立加速。与此同时，图神经网络模拟器的并行进展使得能够以计算高效的方式在颗粒尺度表征颗粒流。Jiang等的研究表明，GNN模拟器能够准确预测颗粒坍塌动力学，并高效优化离散元方法参数。在更近期的研究中，一种可微分GNN替代模型复现了多层边坡流动动力学，相比物质点法实现了145倍加速，同时还支持反向参数识别。这些算子学习与基于图的方法为实现实时、可微分的多尺度地质力学模拟开辟了新途径。

结论

本文阐述了将人工智能融入岩土工程的潜力，其动力源于解决土体、地下水、结构与环境之间多重复杂相互作用中复杂挑战的需求。文中重点介绍了人工智能在智能场地勘察、土体行为建模及岩土设计流程优化等热门岩土应用领域的最新进展，展示了人工智能如何助力实现更精准的预测模型与高效化流程。这些精选的应用案例为人工智能在当下所创造的价值提供了切实证据。

然而，要充分实现人工智能的未来潜力，还需克服岩土工程特有的一些关键挑战。数据稀缺仍然是关键挑战，并且由于任何岩土工程项目中都存在的复杂相互作用，可能阻碍机器学习训练。在岩土工程中严谨应用人工智能的复杂性还与模型可解释性、跨多样条件的泛化能力以及不确定性整合有关。将人工智能与传统岩土模型联系起来并建立基准，对于确保人工智能模型与已确立的工程知识保持一致、克服潜在偏差并增强岩土工程界内的信心至关重要。

最后，本文还探讨了岩土工程人工智能的优先技术发展方向，包括通过大型语言模型实现的人机交互、多保真度建模、知识发现、数字孪生、生成式建模、算子学习和基于图的模拟器。为了取得与该领域已确立的工程原理相一致的进展，本文认为有必要采用多学科方法，促进人工智能研究人员和岩土专家之间的合作。伦理层面，特别是解决偏差和问责问题，凸显了在法律框架内负责任地使用人工智能的重要性。

撰稿｜徐春年

编辑｜徐春年梁浩致

审核｜李锦辉卢雯珺

免责声明

本文推送文章（数据）来源于公开渠道，我们已注明相关信息来源，版权归原作者或出处所有。本文仅用于学术交流和信息分享。欢迎广大学者朋友转发本公众号内容，可留言或后台私信小编授权，转载请注明出处，侵删。

本文来源：智慧灾害调控

江苏东合南岩土科技股份有限公司

创立于 2012 年，2016 年成功登陆北交所新三板，

是以岩土技术为核心竞争力的

科技型国家高新技术企业，

秉承“绿色岩土技术、创造美好生活”的理念，

以“科技赋能岩土工程，提供优质解决方案”为使命，